論文の概要: Spatiotemporal Modeling of Seismic Images for Acoustic Impedance Estimation

• arxiv url: http://arxiv.org/abs/2006.15472v1
• Date: Sun, 28 Jun 2020 00:19:58 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-16 02:58:44.511894
• Title: Spatiotemporal Modeling of Seismic Images for Acoustic Impedance Estimation
• Title（参考訳）: 音響インピーダンス推定のための地震画像の時空間モデリング
• Authors: Ahmad Mustafa, Motaz Alfarraj, and Ghassan AlRegib
• Abstract要約: 機械学習に基づくインバージョンは通常、地震データに対してトレース・バイ・トレース方式で動作する。 本研究では,各地震跡を時間的だけでなく空間的にモデル化する深層学習型地震インバージョンワークフローを提案する。
• 参考スコア（独自算出の注目度）: 12.653673008542155
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Seismic inversion refers to the process of estimating reservoir rock properties from seismic reflection data. Conventional and machine learning-based inversion workflows usually work in a trace-by-trace fashion on seismic data, utilizing little to no information from the spatial structure of seismic images. We propose a deep learning-based seismic inversion workflow that models each seismic trace not only temporally but also spatially. This utilizes information-relatedness in seismic traces in depth and spatial directions to make efficient rock property estimations. We empirically compare our proposed workflow with some other sequence modeling-based neural networks that model seismic data only temporally. Our results on the SEAM dataset demonstrate that, compared to the other architectures used in the study, the proposed workflow is able to achieve the best performance, with an average $r^{2}$ coefficient of 79.77\%.
• Abstract（参考訳）: 地震インバージョンとは、地震反射データから貯水池の岩石特性を推定する過程を指す。 従来および機械学習に基づくインバージョンワークフローは、通常、地震画像の空間構造からの情報はほとんど全く利用せず、トレース・バイ・トレース方式で地震データを扱う。 本研究では,各地震跡を時間的だけでなく空間的にモデル化する深層学習型地震インバージョンワークフローを提案する。 深部および空間方向の地震跡の情報関連性を利用して、効率的な岩石特性の推定を行う。 我々は提案したワークフローを、地震データを時間的にのみモデル化する他のシーケンスモデリングベースニューラルネットワークと比較した。 このSEAMデータセットの結果から,提案したワークフローは,研究で使用されている他のアーキテクチャと比較して,平均79.77 %のr^{2}$係数で最高の性能を達成できることが示されている。

関連論文リスト

• Zero-Shot Self-Consistency Learning for Seismic Irregular Spatial Sampling Reconstruction [6.313946204460284]
  本稿では,ゼロショットの自己整合性学習戦略を提案し,地震データ再構成に極めて軽量なネットワークを用いる。 提案手法は追加のデータセットを必要とせず,データの各部分間の相関を利用して自己整合学習損失関数を設計する。
  論文  参考訳（メタデータ） (2024-11-01T11:59:28Z)
• SeisLM: a Foundation Model for Seismic Waveforms [9.064547137948743]
  本稿では地震波形解析モデルである地震言語モデル(SeisLM)を紹介する。 SeisLMは、自己監督型コントラスト損失を用いて、オープンソースの地震データセットの大規模なコレクションに事前訓練されている。 微調整された場合、SeesLMはイベント検出、フェーズピッキング、オンセット時間回帰、フォアソック・アフターショック分類といった地震学的なタスクに優れる。
  論文  参考訳（メタデータ） (2024-10-21T08:24:44Z)
• A convolutional neural network approach to deblending seismic data [1.5488464287814563]
  本稿では,高速かつ効率的な地震探査のためのデータ駆動深層学習手法を提案する。 地震データの特徴に応じて畳み込みニューラルネットワーク(CNN)を設計する。 ネットワークのトレーニングと検証を行った後、ほぼリアルタイムで地震波のたわみを行うことができる。
  論文  参考訳（メタデータ） (2024-09-12T10:54:35Z)
• Learning with Noisy Foundation Models [95.50968225050012]
  本論文は、事前学習データセットにおけるノイズの性質を包括的に理解し分析する最初の研究である。 雑音の悪影響を緩和し、一般化を改善するため、特徴空間に適応するチューニング法(NMTune)を提案する。
  論文  参考訳（メタデータ） (2024-03-11T16:22:41Z)
• IntraSeismic: a coordinate-based learning approach to seismic inversion [14.625250755761662]
  IntraSeismicは、座標に基づく学習とポストスタックモデリング演算子の物理をシームレスに組み合わせた、新しいハイブリッド地震インバージョン手法である。 IntraSeismicの主な特徴は、2Dおよび3D後の地震インバージョン、高速収束率、およびシームレスにハード制約を含む能力である。 提案手法の有効性を検証するために, 震源内データの合成とフィールドデータの適用について述べる。
  論文  参考訳（メタデータ） (2023-12-17T00:29:25Z)
• Multi-Modal Learning-based Reconstruction of High-Resolution Spatial Wind Speed Fields [46.72819846541652]
  本稿では,Variデータ同化とディープラーニングの概念に基づくフレームワークを提案する。 この枠組みは、海面風速に関する高解像度のリッチインタイムを回復するために応用される。
  論文  参考訳（メタデータ） (2023-12-14T13:40:39Z)
• Learning-based estimation of in-situ wind speed from underwater acoustics [58.293528982012255]
  水中音響から風速時系列を検索するための深層学習手法を提案する。 我々のアプローチは、事前の物理知識と計算効率の両面から恩恵を受けるために、データ同化と学習ベースのフレームワークをブリッジする。
  論文  参考訳（メタデータ） (2022-08-18T15:27:40Z)
• Learning from Temporal Spatial Cubism for Cross-Dataset Skeleton-based Action Recognition [88.34182299496074]
  アクションラベルはソースデータセットでのみ利用可能だが、トレーニング段階のターゲットデータセットでは利用できない。 我々は,2つの骨格に基づく行動データセット間の領域シフトを低減するために,自己スーパービジョン方式を利用する。 時間的セグメントや人体部分のセグメンテーションとパーフォーミングにより、我々は2つの自己教師あり学習分類タスクを設計する。
  論文  参考訳（メタデータ） (2022-07-17T07:05:39Z)
• Machine learning-based porosity estimation from spectral decomposed seismic data [0.0]
  地震データによるポロシティモデルの推定は、信号ノイズと地震データの解像度が不十分なため困難である。 本稿では,地震データをポロシティモデルに変換する機械学習ベースのワークフローを提案する。
  論文  参考訳（メタデータ） (2021-11-23T00:03:38Z)
• Self-Learning for Received Signal Strength Map Reconstruction with Neural Architecture Search [63.39818029362661]
  ニューラルアーキテクチャサーチ(NAS)と受信信号強度(RSS)マップ再構築のための自己学習に基づくモデルを提案する。 このアプローチは、まず最適なNNアーキテクチャを見つけ、与えられた(RSS)マップの地上実測値に対して同時に推論モデルを訓練する。 実験結果から,この第2モデルの信号予測は,非学習に基づく最先端技術や,アーキテクチャ探索を伴わないNNモデルよりも優れていた。
  論文  参考訳（メタデータ） (2021-05-17T12:19:22Z)
• PredRNN: A Recurrent Neural Network for Spatiotemporal Predictive Learning [109.84770951839289]
  歴史的文脈からビジュアルダイナミクスを学習するための新しいリカレントネットワークであるPredRNNを紹介する。 本手法は,3つの標準データセット上で高い競争結果が得られることを示す。
  論文  参考訳（メタデータ） (2021-03-17T08:28:30Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。